ML-For-Beginners/translations

针对初学者的机器学习课程

🌍 环游世界，并通过世界文化来探索机器学习 🌍

微软 Azure Cloud 的倡导者们很高兴可以提供这套十二周、二十四节课的关于机器学习的课程。在这套课程中，你将学习关于经典机器学习的内容，主要将使用 Scikit-learn 这一库。关于深度学习的内容将会尽量避免 —— 它会被我们即将推出的 "AI for Beginners (针对初学者的 AI 教程)" 所涵盖。你也可以把这些课和我们已推出的 Data Science for Beginners（针对初学者的数据科学教程） 相结合！

通过把这些经典的技术应用在来自世界各地的数据，我们将 “环游世界”。每一节课都包括了课前和课后测验、课程内容的文字讲义说明、示例代码、作业等。通过这种基于项目的教学方法，你将在构建中学习，这样可以把技能学得更牢靠。

✍️ 衷心感谢作者们 Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Ornella Altunyan 以及 Amy Boyd

🎨 同时也要感谢我们的插画师 Tomomi Imura, Dasani Madipalli 以及 Jen Looper

🙏 特别感谢 🙏 我们的微软学生大使作者们，内容贡献和内容复核者们, Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, 和 Snigdha Agarwal 等

---

准备开始

对于学生们，为了更好的使用这套课程，把整个仓库 fork 到你自己的 GitHub 账户中，并自行（或和一个小组一起）完成以下练习：

• 从课前测验开始
• 阅读课程内容，完成所有的活动，在每次 knowledge check 时暂停并思考
• 我们建议你基于理解来创建项目（而不是仅仅跑一遍示例代码）。示例代码的位置在每一个项目的 /solution 文件夹中。
• 进行课后测验
• 完成课程挑战
• 完成作业
• 一节课完成后, 访问讨论版，通过填写相应的 PAT Rubric (课程目标) 来深化自己的学习成果。你也可以回应其它的 PAT，这样我们可以一起学习。

如果希望进一步学习，我们推荐跟随 Microsoft Learn 的模块和学习路径。

对于老师们，我们对于如何使用这套教程提供了一些建议。

---

项目团队

🎥 点击上方的图片，来观看一个关于这个项目和它的创造者们的视频！

---

教学方式

此课程基于两个教学原则：学生应该上手进行项目实践，并完成频繁的测验。 此外，为了使整个课程更具有整体性，课程们有一个共同的主题。

通过确保课程内容与项目强相关，我们让学习过程对学生更具吸引力，概念的学习也被深化了。难度较低的课前测验可以吸引学生学习课程，而课后的第二次测验也进一步重复了课堂中的概念。该课程被设计地灵活有趣，可以一次性全部学习，或者分开来一部分一部分学习。这些项目由浅入深，从第一周的小项目开始，在第十二周结束时变得较为复杂。本课程还包括一个关于机器学习实际应用的后记，可用作额外学分或进一步讨论的基础。

在这里，你可以找到我们的行为守则，对项目作出贡献以及翻译指南。我们欢迎各位提出有建设性的反馈！

每一节课都包含：

• 可选的笔记
• 可选的补充视频
• 课前热身测验
• 文字课程
• 对于基于项目的课程，包含构建项目的分步指南
• knowledge checks
• 一个挑战
• 补充阅读
• 作业
• 课后测验

关于测验：所有的测验都在这个应用里，总共 50 个测验，每个测验三个问题。它们的链接在每节课中，而且这个测验应用可以在本地运行。请参考 quiz-app 文件夹中的指南。

课程编号	主体	课程组	学习目标	课程链接	作者
01	机器学习简介	简介	了解机器学习背后的基本概念	课程	Muhammad
02	机器学习的历史	简介	了解该领域的历史	课程	Jen 和 Amy
03	机器学习与公平	简介	在构建和应用机器学习模型时，我们应该考虑哪些有关公平的重要哲学问题？	课程	Tomomi
04	机器学习的技术工具	简介	机器学习研究者使用哪些技术来构建机器学习模型？	课程	Chris 和 Jen
05	回归简介	回归	开始使用 Python 和 Scikit-learn 构建回归模型	课程	Jen
06	北美南瓜价格 🎃	回归	可视化、进行数据清理，为机器学习做准备	课程	Jen
07	北美南瓜价格 🎃	回归	建立线性和多项式回归模型	课程	Jen
08	北美南瓜价格 🎃	回归	构建逻辑回归模型	课程	Jen
09	一个网页应用 🔌	网页应用	构建一个 Web 应用程序以使用经过训练的模型	课程	Jen
10	分类简介	分类	清理、准备和可视化数据； 分类简介	课程	Jen 和 Cassie
11	美味的亚洲和印度美食 🍜	分类	分类器简介	课程	Jen 和 Cassie
12	美味的亚洲和印度美食 🍜	分类	关于分类器的更多内容	课程	Jen 和 Cassie
13	美味的亚洲和印度美食 🍜	分类	使用您的模型构建一个可以「推荐」的 Web 应用	课程	Jen
14	聚类简介	聚类	清理、准备和可视化数据； 聚类简介	课程	Jen
15	探索尼日利亚人的音乐品味 🎧	聚类	探索 K-Means 聚类方法	课程	Jen
16	自然语言处理 (NLP) 简介 ☕️	自然语言处理	通过构建一个简单的 bot (机器人) 来了解 NLP 的基础知识	课程	Stephen
17	常见的 NLP 任务 ☕️	自然语言处理	通过理解处理语言结构时所需的常见任务来加深对于自然语言处理 (NLP) 的理解	课程	Stephen
18	翻译和情感分析 ♥️	自然语言处理	对简·奥斯汀的文本进行翻译和情感分析	课程	Stephen
19	欧洲的浪漫酒店 ♥️	自然语言处理	对于酒店评价进行情感分析（上）	课程	Stephen
20	欧洲的浪漫酒店 ♥️	自然语言处理	对于酒店评价进行情感分析（下）	课程	Stephen
21	时间序列预测简介	时间序列	时间序列预测简介 forecasting	课程	Francesca
22	⚡️ 世界用电量 ⚡️ - 使用 ARIMA 进行时间序列预测	时间序列	使用 ARIMA 进行时间序列预测	课程	Francesca
23	强化学习简介	强化学习	Q-Learning 强化学习简介	课程	Dmitry
24	帮助 Peter 避开狼！🐺	强化学习	强化学习练习	课程	Dmitry
后记	现实世界中的机器学习场景和应用	自然场景下的机器学习	探索有趣的经典机器学习方法，了解现实世界中机器学习的应用	课程	团队

离线访问

您可以使用 Docsify 离线运行此文档。 Fork 这个仓库，并在你的本地机器上安装 Docsify，并在这个仓库的根文件夹中运行 docsify serve。你可以通过 localhost 的 3000 端口访问此文档：localhost:3000。

PDF 文档们

点击这里查找课程的 PDF 文档。

需要你的帮助！

想贡献一份翻译吗？请阅读我们的翻译指南并在此处添加你的意见。

其他课程

我们的团队还制作了其他课程！可以看一下：

• 针对初学者的 Web 开发课程
• 针对初学者的物联网课程
• 针对初学者的数据科学课程